Les forêts jouent un rôle indispensable dans le renforcement de la biodiversité, le maintien d’un climat stable et la fourniture de moyens de subsistance durables. Pourtant, la terre perd rapidement ses forêts. Au cours des 30 dernières années, le monde a perdu 180 millions d’hectares de forêts, soit plus que la superficie totale de la Libye. Les forêts, en particulier les forêts tropicales humides, sont souvent défrichées par des opérateurs illégaux pour acquérir des terres ouvertes pour des opérations agricoles et minières à grande échelle, ce qui constitue une menace sérieuse pour les efforts mondiaux visant à réduire la déforestation.
La détection précoce est un élément essentiel des efforts de contrôle de la déforestation. Les satellites artificiels ont joué ici un rôle crucial. À l’aide de données satellitaires optiques régulièrement mises à jour, telles que LANDSAT, qui capte la réflexion de la lumière du soleil depuis la surface du sol, plusieurs systèmes d’alerte précoce (SAP) pour la déforestation ont été lancés depuis les années 2000 pour fournir des informations opportunes sur les changements forestiers aux régulateurs et aux groupes de la société civile. . Les SAP sont maintenant largement utilisés dans les pays tropicaux pour surveiller la protection des forêts. Le laboratoire Global Land Analysis and Discovery (GLAD) du Département des sciences géographiques de l’Université du Maryland gère un SAP avec des données de déforestation accessibles au public. Malheureusement, les données satellitaires optiques présentent un grave inconvénient. Comme nous le discutons dans notre chapitre du livre à paraître « Breakthrough : The Promise of Frontier Technologies for Sustainable Development », la détection de la déforestation par les satellites optiques est considérablement plus difficile pendant la saison des pluies, lorsque la couverture nuageuse est élevée. Il s’agit d’un problème grave car la plupart des destructions illégales ont lieu pendant la saison des pluies en Amazonie brésilienne pour éviter d’être détectées, selon l’agence de réglementation brésilienne pour la déforestation illégale.
Une solution consiste à utiliser des « yeux radar » à la place des « yeux optiques ». Les satellites radar capturent l’image de la surface de la Terre en captant la réflexion des ondes radar que le satellite lui-même génère. Ces ondes peuvent pénétrer des nuages épais, permettant aux chercheurs d’identifier si des arbres existent sur terre, quelle que soit la couverture nuageuse. Le satellite radar japonais ALOS-2, par exemple, peut détecter 1,5 à 10 fois plus de déforestation que les satellites optiques pendant la saison des pluies en Amazonie (novembre à mars). S’appuyant sur ces avancées technologiques, un nouveau SAP appelé JJ-FAST (JICA-JAXA Forest Early Warning System in the Tropics), utilisant les données radar ALOS-2, a été lancé en 2016 pour fournir des données sur la déforestation dans les pays tropicaux.
Alors que le SAP basé sur le radar peut capturer la déforestation plus rapidement et avec plus de précision pendant la saison des pluies, a-t-il réduit la déforestation tropicale ? Pour répondre à cette question, nous examinons les données de l’Amazonie brésilienne, le seul comté à ce jour qui a utilisé des SAP par radar pour la surveillance de la déforestation. Nous espérons que les preuves quantitatives fournies ici inciteront d’autres pays à utiliser cette méthode pour lutter contre la déforestation.
La figure 1 conceptualise comment le satellite radar SAP peut aider à prévenir la déforestation. Supposons qu’il y ait deux zones forestières de taille similaire en Amazonie. Au cours des trois derniers mois, disons de février à avril, les zones 1 et 2 ont connu la même quantité de déforestation, mesurée par zone, selon les données optiques (GLAD). Cependant, les images fournies par les données radar (JJ-FAST) indiquent que la zone 1 a connu une déforestation plus importante que la zone 2. Lorsque les agences forestières analysent les données, la zone 1 est susceptible d’attirer plus d’attention, ce qui signifie que les opérateurs illégaux de la zone 1 sont confrontés à une probabilité plus élevée d’arrestation, incitant les opérateurs illégaux à arrêter l’exploitation forestière et à s’échapper. En conséquence, la déforestation de la zone 1 devrait être moindre en mai. Par conséquent, si le SAP radar réduit la déforestation, il devrait y avoir une corrélation négative entre la quantité de déforestation détectée par radar (JJ-FAST) et la déforestation au cours des mois suivants.
Figure 1. Systèmes d’alerte précoce et application de la loi
Source : auteurs
Nos données proviennent de trois images raster couvrant l’Amazonie brésilienne en 2019 : les données radar mensuelles (JJ-FAST), les données optiques mensuelles (GLAD) et la couverture nuageuse mensuelle moyenne.
Graphique 2.1. Image raster des alertes GLAD
Graphique 2.2. Image raster JJ-FAST
Remarque : Deux images ci-dessus montrent les données raster de déforestation par GLAD et JJ-FAST pour la même partie de l’Amazonie en février 2019 (saison des pluies). Les cellules aux couleurs plus foncées contiennent des déforestations détectées plus importantes.
Source : auteurs
Pour déterminer si nous pouvons observer une corrélation négative statistiquement significative entre la déforestation détectée par satellite radar et la déforestation du ou des mois suivants, nous estimons l’équation suivante à l’aide de l’OLS (moins carrés ordinaires) :
Où Ouijt est la zone de déforestation dans la cellule j en mois t, rapporté par GLAD. JJjs est la déforestation détectée par le JJ-FAST au mois de s en cellule j. HEUREUXjs est la déforestation enregistrée par GLAD. NUAGEjt est la couverture nuageuse. Notre coefficient d’intérêt est β, qui est la corrélation entre la déforestation de JJ-FAST au cours des trois mois précédents de t et Ouijt. Si β est négatif et statistiquement significatif, cela signifie que les cellules avec la plus forte déforestation enregistrée par JJ-FAST au cours des trois derniers mois ont systématiquement abaissé le record de déforestation du mois en cours.
Le tableau 1 présente les résultats. En somme, nous observons que le suivi JJ-FAST réduit considérablement la déforestation en Amazonie brésilienne. La première colonne montre les résultats de l’estimation OLS. Comme prévu, l’estimation de l’effet de la couverture nuageuse, δ, est négatif et significatif, indiquant qu’une couverture nuageuse plus élevée est associée à un record de déforestation plus faible par GLAD. L’estimation de jeimplique qu’un 1 km2 l’augmentation de la déforestation, telle que détectée par JJ-FAST, au cours des trois mois précédents réduit la déforestation du mois en cours de 0,024 km2. Pour confirmer la robustesse de ces résultats, nous rapportons également les résultats des effets fixes à la cellule de la deuxième colonne. Avec l’estimation à effet fixe, l’ampleur de l’impact de JJ-FAST augmente à 0,120.
Notre enquête quantitative suggère que l’EWS basé sur le radar réduit efficacement la déforestation en Amazonie brésilienne. Bien qu’une analyse plus approfondie utilisant des données provenant d’autres zones géographiques soit nécessaire, nos résultats soulignent le rôle important que les nouvelles technologies peuvent jouer dans la protection des biens publics mondiaux.
